概觀

機器學習營運 (MLOps) 工作負載協調器可精簡 ML 模型部署,並強制執行最佳實務以實現可擴展性、可靠性和效率。此 AWS 解決方案是一種可擴展的架構,具有標準介面,用於管理 AWS ML 和第三方服務的 ML 管道。
此解決方案包括 AWS CloudFormation 範本:此範本可啟用模型訓練、上傳預先訓練的模型 (亦稱為自攜模型或 BYOM)、管道協同運作組態,以及進行管道營運監控。藉由實作此解決方案,您的團隊可提高其敏捷性和效率,並大規模重複成功的程序。
優勢

透過 API 呼叫或 Amazon S3 儲存貯體來初始化預先設定的管道。
使用 Amazon SageMaker BYOM 來自動化模型監控,並提供具有偏離偵測的無伺服器推論端點。
使用 Amazon SageMaker 模型儀表板來檢視、搜尋和探索由您的所有 Amazon SageMaker 資源,包括模型、端點、模型卡和批次轉換任務。
技術詳細資訊

您可以使用實作指南和隨附的 AWS CloudFormation 範本來自動部署此架構。為了支援多個使用案例和業務需求,該解決方案提供了兩個 AWS CloudFormation 範本:
- 使用單一帳戶範本在相同 AWS 帳戶中部署所有解決方案的管道。此選項適用於實驗、開發和/或小規模生產工作負載。
- 使用多帳戶範本跨不同的 AWS 帳戶佈建多個環境 (例如,開發、暫存和生產),這可改善管控及提高 ML 管道部署的安全和控制,提供安全的實驗和更快的創新,並保持生產資料和工作負載的安全性和可用性,以協助確保業務持續性。
-
選項 1 – 單一帳戶部署
-
選項 2 – 多帳戶部署
-
選項 1 – 單一帳戶部署
-
步驟 1
Orchestrator (可能是 DevOps 工程師或其他類型的使用者) 在其 AWS 帳戶中啟動此解決方案,並選擇其偏好的選項。例如,他們可以使用 Amazon SageMaker 模型註冊表或現有的 Amazon Simple Storage Service (Amazon S3) 儲存貯體。
-
選項 2 – 多帳戶部署
-
步驟 1
Orchestrator (可能是 DevOps 工程師,或是以管理員身分存取 Orchestrator 帳戶的其他使用者) 提供 AWS Organizations 資訊,例如,開發、暫存和生產組織單位 ID 和帳戶號碼。
相關內容

透過與 AWS 合作夥伴解決方案架構師及 AWS 解決方案程式庫團隊合作,Cognizant 在 MLOps 工作負載協調器解決方案的基礎上建立了他們的 MLOps 模型生命週期協調器解決方案。
Total results: 3
- 標題
-
Digital Natives & Startups
-
Artificial Intelligence
-
Analytics
Total results: 1
- 發佈日期
-
- 版本:2.2.2
- 發行時間:2024 年 6 月
- 作者:AWS
- 預估部署時間:3 分鐘
- 預估費用:請查看詳細資訊